Hakkuukonetiedosta simuloidut puun sijainnit kaukokartoituksen opetusaineistona Metsätehon tuloskalvosarja 5/2019 Jussi Peuhkurinen & Sanna Sirparanta, Arbonaut Oy Timo Melkas & Kirsi Riekki, Metsäteho Oy ISSN 1796-2390
Tiivistelmä Tutkimuksen tavoitteena oli selvittää laskennallisesti simuloimalla parannellun hakkuukoneen puukohtaisen sijaintitiedon käyttöä kaukokartoituksen opetusaineistona erityisesti uudistuskypsien metsien osalta. Puun paikannustarkkuus on yksittäisenä tekijänä merkittävin hakkuukoneaineiston käyttökelpoisuuteen kaukokartoituspohjaisen puustotulkinnan opetusaineistona vaikuttava asia. Tässä tutkimuksessa puun sijainti simuloitiin käyttäen koneen keskiarvoistettua sijaintia sekä kouran toteutuneita kulma- ja etäisyysjakaumia. Puustotunnusten estimointi tehtiin laserkeilauspohjaiseen puustotulkintaan yleisesti sovellettavalla aluepohjaisella k:n samankaltaisimman naapurin menetelmällä. Kokonaistunnusten estimointitarkkuus parani keskimäärin 1 2 prosenttiyksikköä (RMSE), kun mallinnusaineistoon lisättiin hakkuukoneella mitattuja koealoja. Sijaintikorjatun aineiston käyttö pienensi keskivirhettä edelleen noin prosenttiyksikön. Laskennallisesti simuloimalla parannellun hakkuukoneen puukohtaiseen sijaintitiedon käyttö parantaa merkittävästi aineiston käytettävyyttä kaukokartoituksen opetusaineistona. METSÄTEHON TULOSKALVOSARJA 5/2019 2
Tavoite Hakkuukonetieto tarjoaa kaukokartoitusperusteiseen metsäninventointiin tietoja kaadettujen runkojen ominaisuuksista sekä sijainneista, ja niitä voidaan hyödyntää opetusaineistona puustotulkinnassa (Saukkola ym. 2019). Tutkimuksen tavoitteena oli selvittää laskennallisesti simuloimalla parannellun hakkuukoneen puukohtaisen sijaintitiedon käyttöä kaukokartoituksen opetusaineistona erityisesti uudistuskypsien metsien osalta. Tutkimuksessa keskityttiin yksittäisen puun sijaintitarkkuuden parantamiseen ja sen vaikutukseen kaukokartoitustulkinnan tuloksiin. Tutkimus perustui StanForD-standardin mukaiseen tietosisältöön ja niistä johdettuihin puustotunnuksiin. Sijaintitiedon lähtötietona käytettiin STM-tiedostoon tallentunutta hakkuukoneen sijaintia. Vastaavaa aineistoa on mahdollista tallentaa laajalti ja alueellisesti kattavasti koko Suomesta jo nykyisellään. METSÄTEHON TULOSKALVOSARJA 5/2019 3
Tausta Kaukokartoituksen opetusaineiston puukohtaisen runko- ja sijaintitiedon tarkkuus on olennaista puustotulkinnan onnistumiselle aluepohjaisessa metsäninventoinnissa. Hakkuukoneaineiston käyttöä kaukokartoituksessa on tähän asti rajoittanut kaadettujen puiden sijaintitiedon epätarkkuus. Puukohtaisten sijaintien tarkkuuden parantaminen mahdollistaa hakkuukonetietojen käytön kaukokartoituksen opetusaineistona. StanForD-standardia (SkogForsk 2019) noudattavat hakkuukoneet voivat tallentaa jokaiselle kaadetulle puulle erikseen hakkuukoneen sijainnin puuta kaadettaessa, puulajin sekä rungon läpimitat 10 cm:n välein, käyttöosan pituuden ja viimeisen katkaisusahauksen läpimitan (STM-tiedoston tietosisältö). Näiden tietojen perusteella voidaan johtaa puun kokonaistilavuus sekä muut puukohtaiset tunnukset. Hakkuukoneen sijainti määritetään hakkuukoneen hytin katolla olevalla vastaanottimella globaalissa satelliittipaikannusjärjestelmässä (GNSS). Puukohtaiset hakkuukoneen sijainnit rekisteröityvät tällöin lähtökohtaisesti hakkuukoneen ajourien kohdille. Hakkuukoneen vastaanottimesta ja hetkittäisestä satelliittigeometriasta johtuen puukohtaisiin koneen sijainteihin sisältyy vaihteleva määrä epätarkkuutta. Todellisuudessa puut (tai vastaavasti hakkuukoneen kouran sijainti puun kaatohetkellä) sijaitsevat pääosin ajouraa ympäröivillä alueilla hakkuukoneen etusektorilla, eikä hakkuukoneen sen hetkisessä sijainnissa. Aikaisempien tutkimusten mukaan hakkuukoneen ja puiden todellisen sijainnin ero on ollut keskimäärin 8,6 9,7 m (Melkas ym. 2014). METSÄTEHON TULOSKALVOSARJA 5/2019 4
Tausta StanForD 2010 -standardia noudattavat hakkuukoneet voivat tallentaa lisäksi mittaustiedot kouran paikasta HPR-tiedostoon puun kaatohetkellä. Hakkuukoneen sijaintitietojen käyttöä kaukokartoituspohjaisessa puustotulkinnassa koealojen tuottamiseen on jo selvitetty (Saukkola ym. 2019). Tällöin käytettiin kahta eri tietoa kuvaamaan kaadetun puun todellista sijaintia: 1) Kouran paikkaa perustuen hakkuukoneen HPR-tiedostoihin. Tutkimukseen sisältyi kahdeksan lohkoa. Puomin uloin jatkovarsi oli anturoimatta, mikä aiheutti kouran etäisyyteen virhettä arviolta ± 0,85 cm. 2) Hakkuukoneen sijaintia perustuen GNSS-vastaanottimen sijaintiin. Tulokset osoittivat, että sijaintivaihtoehto 1 oli suositeltavin tapa käyttää hakkuukonetietoa kaukokartoituksen opetusaineistona. Hakkuukoneen mittaamia kouran tietoja sisältäviä HPR-tiedostoja ei kuitenkaan ole vielä nykyisellään kattavasti tarjolla. Kehitettiin menetelmä, joka sijoittaa puut hakkuukoneen STM-tietojen ja muiden käytettävissä olevien tietojen avulla ajouran ympärille simuloiduksi puukartaksi. Sen pohjalta tuotettiin koealat kaukokartoitusaineiston opetusaineistoksi. METSÄTEHON TULOSKALVOSARJA 5/2019 5
Hakkuukoneaineisto Aineistona käytettiin kuudelta hakkuukoneelta kerättyä operatiivista leimikkoaineistoa (n lohko = 455, n rungot = 634 656), joka oli kerätty 8/2015 9/2016 välisenä aikana pääosin Suomen metsäkeskuksen pääkaupunkiseudun inventointialueelta. Aineisto kerättiin John Deeren, Komatsu Forestin ja Ponssen koneilta, ja sisälsi leimikoiden STM-tiedostot. Komatsu Forestin koneelta saatiin lisäksi kahdeksalta lohkolta HPR-tiedostot, joihin oli tallennettu koneen GNSS-sijainnin lisäksi kouran paikkaa kuvaavat tiedot: jokaiselle puulle puun kaatohetkellä tallennettu hakkuukoneen raakasijainti hakkuukoneen tallentama koneen kompassisuunta puomin suunta suhteessa koneen suuntaan (hytin asennon kulma suhteessa koneeseen) kouran etäisyys hakkuukoneesta (puomin pituus). Tarkempi kuvaus aineistosta on esitetty julkaisussa Melkas ym. 2018. Kaaviokuva HPR-tiedostoon tallennetuista kouran sijaintitiedon määrittämisestä on esitetty julkaisussa Melkas & Riekki 2017 (s. 5). METSÄTEHON TULOSKALVOSARJA 5/2019 6
Puun sijainnin simulointiperiaate N PUU Puun paikka simuloitiin STM tietojen pohjalta käyttäen koneen sijaintia sekä kouran toteutuneita kulma- ja etäisyysjakaumia samoin periaattein kuin Rasinmäki & Melkas 2005. Tavoitteena oli muodostaa puukartta, joka vastaisi tietosisällöltään HPR-tiedoston tietosisällön pohjalta laadittua puukarttaa. Puun paikan simuloinnissa käytettiin seuraavia tietoja: koneen paikka (= GNSS-vastaanottimen sijainti) KONE GNSS α B α C L PUOMI KOURA koneen keulan kompassisuunta puomin kiinnityskohdan etäisyys GNSS-vastaanottimesta (koneen keulan kompassisuuntaan päin) puomin suuntakulma koneen keulan suhteen kouran etäisyys (puomin pituus) D Näistä tiedoista vain ensimmäinen saatiin STM-tiedostosta. Muut tarvittavat tiedot estimoitiin muilla tavoin (kts. seuraava dia). α B = koneen keulan kompassisuunta α C = puomin kulma suhteessa koneen kompassisuuntaan L = puomin pituus D = puomin kiinnityskohdan etäisyys GNSSvastaanottimesta METSÄTEHON TULOSKALVOSARJA 5/2019 7
Simuloinnissa käytetyt tiedot Tarvittava tieto Koneen paikka (GNSSvastaanottimen sijainti) Koneen keulan kompassisuunta Puomin kiinnityskohdan etäisyys GNSS-vastaanottimesta Puomin suuntakulma koneen keulan suhteen Kouran etäisyys Miten tieto on saatu? Laskettu STM-tiedoston tietosisällöstä, keskiarvoistamalla sijainnin perusteella. Määritetty puukohtaisista sijainneista hakkuujärjestyksen perusteella lasketusta keskiarvosta suodattamalla (kts. Melkas & Riekki 2017). Määritetty konevalmistajan ilmoittamista konemerkkikohtaisista tiedoista. Määritetty satunnaisesti, noudattaen todellista puomin suuntakulmajakaumaa. Määritetty satunnaisesti, noudattaen todellista kouran etäisyysjakaumaa. METSÄTEHON TULOSKALVOSARJA 5/2019 8
Simuloinnissa käytetyt tiedot puomin kiinnityskohdan etäisyys GNSS-vastaanottimesta Puomin kiinnityskohdan etäisyyteen GNSS-vastaanottimesta käytettiin konekohtaisesti valmistajien kuvauksista määritettyjä tietoja (kts. viite Tekniset tiedot konemerkeittäin ja malleittain 2019): Puomin kiinnityskohdan kiinteä etäisyys GNSS-vastaanottimesta Puomin maksimiulottuma, jolla skaalataan kouran etäisyysjakaumaa Konemerkki Malli Puomin ulottuma (m) Ponsse Ergo 8W 10 3,55 John Deere 1270E 11,7 2,15 Ponsse Ergo 2009 11 3,55 Ponsse Ergo 2015 10 3,55 Ponsse Ergo 10 3,55 Komatsu 931.1 10 0 Puomin kiinnityskohdan etäisyys GNSS-vastaanottimeen (m) METSÄTEHON TULOSKALVOSARJA 5/2019 9
Simuloinnissa käytetyt tiedot kouran suunnan ja etäisyyden todelliset jakaumat Koska kouran suunta- ja etäisyystieto ei sisälly STMtietoihin, määritettiin Komatsu Forestin koneella 2015 2016 tallennetusta HPR-datasta kouran suunnan ja etäisyyden toteutuneet puukohtaiset jakaumat (N = 8991). Kouran etäisyyden arvoihin on lisätty Komatsun anturoimattoman kouraosuuden nettopituus 0,85 m (Melkas & Riekki 2017), jolloin saadaan puomin todellinen maksimiulottuma 10 m. Havaintojen lkm Havaintojen lkm Kouran kulma, astetta Kouran etäisyys, cm METSÄTEHON TULOSKALVOSARJA 5/2019 10
Puiden sijaintien simulointi Yksittäisen puun sijainti tuotettiin seuraavasti: Määritettiin kouran kiinnityspisteen koordinaatit käyttämällä tietoja koneen keskiarvoistetusta sijainnista suodatetusta koneen keulan kompassisuunnasta ja kouran kiinnityskohdan etäisyydestä GNSS-vastaanottimen suhteen, joka on konemallikohtainen vakioarvo. Simuloitiin kouran sijainti koneen suhteen tuottamalla satunnaisluvut todellisiin jakaumiin pohjautuen (Press ym. 1986) kouran suuntakulmalle koneen keulan suhteen ja kouran etäisyydelle. Puu sijoitettiin näin saatuun kouran sijaintiin. Puiden simuloitu siirtymä hakkuukoneen ajosuuntaan nähden. Kuvassa puiden runkonumero. Ajosuunta METSÄTEHON TULOSKALVOSARJA 5/2019 11
Tilajärjestyksen tarkentaminen Satunnaistaminen tuottaa keskimäärin oikeat puun sijainnit, vaikka yksittäisen puun sijainti voi erota todellisesta puun sijainnista. Koska suuret puut eivät voi sijaita aivan toistensa vieressä, huomioitiin satunnaistettujen sijaintien määrittämisessä puiden tilajärjestystä seuraavasti: Arvioitiin puun kasvualueen sädettä r lausekkeella r = 1,32 + 0,005 * (D 12 (mm) - 120), jossa D 12 (mm) = STM-datan läpimittavektorin 12. läpimitta eli läpimitta 110 cm etäisyydellä kaatoleikkauksesta. Lauseke on laadittu karkeasti erikokoisten puiden laskennallisesta hehtaarikohtaisesta runkoluvusta. Jos satunnaistettu puu osuu toisten puiden kasvualueelle, tuotetaan sille uusi satunnainen sijainti ja katsotaan, osuuko puu vapaalle alueelle. Jos vapaata aluetta ei löydy 100 yrityksen jälkeen, otetaan näistä vähiten toisten puiden alueelle osunut sijainti ja käytetään sitä puun sijaintina. METSÄTEHON TULOSKALVOSARJA 5/2019 12
Simuloidun puukartan tarkkuus Puiden simulointi poistaa sijaintivirhettä ajouran suunnassa koneen ja kouran kiinnityskohdan välimatkan verran keskimääräisen kouran ulottuman verran koneen keulan suunnassa. Simuloituun puukarttaan jää virhettä sen osalta, kummalle puolelle ajouraa kaadettu puu sijoittuu ja yksittäisten puiden sijaintiin siltä osin, kun kouran suuntakulma poikkeaa keskimääräisestä kouran suuntakulmasta ja kouran etäisyys poikkeaa keskimääräisestä kouran etäisyydestä. Kokonaisuutena simulointi pienentää hakkuukonetiedoista määritettyjen puiden sijaintien virhettä. Saavutettu puiden sijaintien tarkkuus asettuu hakkuukoneen sijainnista ja hakkuukoneen kouran sijainnista määritettyjen puukohtaisten sijaintitarkkuuksien väliin. METSÄTEHON TULOSKALVOSARJA 5/2019 13
Esimerkki: simuloitu puukartta HPR-sijainnit Hakkuukoneen sijainnit (STM) Simuloidut sijainnit Ilmakuvat Maanmittauslaitos 2019 HPR-sijainnit, laskennallisesti parannettuna (Melkas & Riekki, 2017) METSÄTEHON TULOSKALVOSARJA 5/2019 14
Aluepohjainen puustotulkinta Puustotunnusten estimointi tehtiin yleisesti laserkeilauspohjaiseen puustotulkintaan sovellettavalla aluepohjaisella k:n samankaltaisimman naapurin (k Most Similar Neighbor, K- MSN) menetelmällä (ks. esim. Packalén & Maltamo 2007). Jakaumaennusteet tuotettiin K-MSN menetelmällä imputoimalla (ks. esim. Packalén & Maltamo 2008). Selittävät tunnukset (piirteet) laskettiin Metsäkeskuksen puustotulkintaa varten hankkimilta laserkeilausaineistoilta ja ilmakuvilta. Käytössä oli myös Suomen metsäkeskuksen normaali puustotulkinnan maastokoeala-aineisto. Estimointi tehtiin otantasimulaattorilla, jossa satunnaistettiin mallin opetus- ja testiaineistot. Päätelmät tehtiin sadan simulointikierroksen mediaanituloksista. METSÄTEHON TULOSKALVOSARJA 5/2019 15
Koealojen otantasimulaattori 1. Jaetaan leimikot (n = 150) satunnaisesti testi- ja mallinnusleimikoihin (75/75). 2. Poimitaan mallinnusleimikoista satunnaisesti 0, 50, 100, 150,, 1000 koealan otos koealakoilla 253, 506, 709 ja 1012 m 2, jotka lisätään maastokoeala-aineistoon. 3. Tehdään automaattinen piirrevalinta ja K-MSN mallin sovitus kullekin koealakoolle ja koealamäärälle erikseen. 4. Estimoidaan kullakin mallilla tulokset testileimikoiden hilalle ja aggregoidaan leimikkokohtaiset tulokset hilalta. 5. Lasketaan keskivirhe (Root mean squared error, RMSE), harha ja jakaumaennustevirhe leimikoille käyttäen hakkuukonemittausta tosiaineistona. 6. Toistetaan kohdat 1 5 sata kertaa. 7. Lasketaan RMSE:n, harhan ja jakaumaennustevirheiden mediaanit. METSÄTEHON TULOSKALVOSARJA 5/2019 16
Puustotunnusten estimointi Puustotunnusten estimointi tehtiin viidellä eri aineistolla: Alkuperäinen aineisto (kaikki leimikot, kaikki koealat, korjaamaton sijaintitieto) Laserennusteiden perusteella esivalittu aineisto (kaikki leimikot, koealoja karsitaan ennustetun puuston pituuden ja tilavuuden poikkeamien perusteella, korjaamaton sijaintitieto) Kuusikot (vain kuusivaltaiset leimikot (yleisin puulaji), korjaamaton sijaintitieto) Sijaintikorjattu aineisto (kaikki leimikot, kaikki koealat, laskennallisesti simuloimalla parannellun hakkuukoneen puukohtainen sijaintitieto) Kuusikot, sijaintikorjattu aineisto (vain kuusivaltaiset leimikot, laskennallisesti simuloimalla parannellun hakkuukoneen puukohtainen sijaintitieto) Jokaisessa aineistovaihtoehdossa tutkittiin koealamäärän ja koealakoon vaikutusta. Tuloksia verrattiin keskenään ja pelkästään Suomen metsäkeskuksen maastokoeala-aineistoon sovitetun mallin estimaatteihin. METSÄTEHON TULOSKALVOSARJA 5/2019 17
Tulokset Sijaintikorjaamaton aineisto: Kokonaistunnusten estimointi-tarkkuus parani keskimäärin 1 2 prosenttiyksikköä (RMSE), kun mallinnusaineistoon lisättiin hakkuukoneella mitattuja koealoja. Noin 200 600 koealaa oli riittävä määrä tuottamaan saavutettavan parannuksen. Maastossa mitataan keskimäärin noin 100 päätehakkuukehitysluokan koealaa, kun kokonaiskoealamäärä kaikissa kehitysluokista on noin 600. Tilavuuden RMSE mediaani, % Kuvassa (oik.) on esitetty tilavuuden RMSE:n mediaanit hakkuukonekoealakoon ja lukumäärän funktiona. Ensimmäinen piste kuvaa ko. inventointialueen virhettä pelkkiä maastokoealoja (SMK) käytettäessä. Hakkuukonekoealojen lukumäärä, N (kpl) METSÄTEHON TULOSKALVOSARJA 5/2019 18
Tulokset Sijaintikorjattu aineisto: Laskennallisesti simuloimalla parannellun hakkuukoneen puukohtainen sijaintitieto tuotti tarkemmat kokonaistunnusten ennusteet kuin korjaamattoman sijainnin käyttö. Tarkkuuden parannus oli noin yhden prosenttiyksikön suuruinen verrattuna sijaintikorjaamattomaan aineistoon. Selvimmin parannus näkyi kuusivaltaisten leimikoiden keskiläpimitassa. Korjatun sijaintitiedon vaikutus näkyy myös siinä, että koealan koon merkitys pienenee. Kuusivaltaisten leimikoiden keskiläpimitan RMSE mediaani, % Kuvassa (oik.) on esitetty keskiläpimitan RMSE -mediaanit hakkuukonekoealakoon ja lukumäärän funktiona. Ensimmäinen piste kuvaa ko. inventointialueen virhettä pelkkiä maastokoealoja (SMK) käytettäessä. Hakkuukonekoealojen lukumäärä, N (kpl) METSÄTEHON TULOSKALVOSARJA 5/2019 19
Tulokset Sijaintikorjattu ja korjaamaton aineisto jakaumien ennustamisessa: Jakaumia ennustettaessa sijaintikorjauksella oli suuri merkitys. Ilman sijaintikorjausta Reynoldsin (1988) virheindeksin mukaan hakkuukonekoealojen käyttö huononsi ennustetun ja mitatun jakauman yhteensopivuutta. Sijaintikorjatulla aineistolla yhteensopivuus keskimäärin parani verrattuna pelkkiin maastokoealoihin perustuvaan malliin. Reynoldsin virheindeksi (läpimittaluokat 16 cm), % Kuvassa (oik.) on esitetty Reynoldsin virheindeksi (läpimittaluokat 16 cm) käytettäessä sijaintikorjattua ja korjaamatonta aineistoa. Vaakaviiva kuvaa virheindeksin arvoa pelkkiä maastokoealoja käytettäessä. Hakkuukonekoealojen lukumäärä, N (kpl) METSÄTEHON TULOSKALVOSARJA 5/2019 20
Tulokset Tarkimman estimointituloksen tuotti aineistovaihtoehto, jossa keskityttiin aineiston yleisimmän puulajin kohteisiin (kuusivaltaiset leimikot) ja mallinnusaineistossa käytettiin maastokoealojen lisäksi laskennallisesti simuloimalla parannellun hakkuukoneen puukohtaiseen sijaintitietoon perustuvia lisäkoealoja. Optimaalinen koealakoko tällöin oli joko 253 m 2 tai 506 m 2 ja lisäkoealojen määrä yli 400 kpl. Kaikkien tarkasteltujen aineistojen osalta havaittiin, että koealojen esivalinta ei tuottanut parannusta puustoennusteisiin hakkuukonetiedon hyödyntäminen ei vaikuttanut vähemmistöpuulajien tunnusten estimointiin. METSÄTEHON TULOSKALVOSARJA 5/2019 21
Johtopäätökset Kokonaistunnusten estimointitarkkuus parani keskimäärin 1 2 prosenttiyksikköä (RMSE), kun mallinnusaineistoon lisättiin hakkuukoneella mitattuja koealoja. Sijaintikorjatun aineiston käyttö pienensi keskivirhettä edelleen noin prosenttiyksikön. Puun paikannustarkkuus on yksittäisenä tekijänä merkittävin hakkuukoneaineiston käyttökelpoisuuteen kaukokartoituspohjaisen puustotulkinnan opetusaineistona vaikuttava mittaustekninen asia. Sijaintitarkkuus vaikuttaa erityisesti puulajeittaisten tunnusten ja jakaumien estimointitarkkuuksiin. Laskennallisesti simuloimalla parannellun hakkuukoneen puukohtaiseen sijaintitiedon käyttö parantaa merkittävästi aineiston käytettävyyttä kaukokartoituksen opetusaineistona. METSÄTEHON TULOSKALVOSARJA 5/2019 22
Käyttömahdollisuudet Hakkuukoneen keräämää tarkkaa mittaustietoa ja niistä johdettuja puustoestimaatteja voidaan käyttää kaukokartoituksen opetusaineistona päätehakkuuikäisissä metsissä. Laajempi käyttö kuitenkin edellyttää, että puukohtaista sijaintitarkkuutta pystytään parantamaan joko ottamalla käyttöön tarkempia paikannusmenetelmiä hakkuukoneisiin tai parantamaan muuten esim. laskennallisesti yksittäisten puiden sijaintitarkkkuutta. Mikäli puukohtaista sijaintitarkkaa hakkuukoneiden keräämään aineistoa olisi saatavilla erittäin paljon (tuhansia leimikoita) ja se voitaisiin yhdistää leimikon perustietoihin, voitaisiin mallinnuksessa normaalien laser- ja ilmakuvapiirteiden ohella hyödyntää tietoa esim. kasvupaikasta, maalajista, lämpösummasta jne. Tarkalla puulajikohtaisella sijaintitiedolla olisi mahdollista parantaa myös jakaumaennusteiden tarkkuutta sekä pääpuulajin että vähemmistöpuulajien osalta. Tulevaisuudessa käytössä voi olla hakkuun yhteydessä tuotettu puukartta poistetusta tai jäljelle jäävästä puustosta, mikä luo mahdollisuuksia hakkuukoneella kerätyn tiedon laajamittaisemmalle käytölle myös muissa kuin päätehakkuuikäisissä metsissä. Hakkuukoneet ja niiden mittalaitteet ovat merkittävä voimavara, jota voitaisiin hyödyntää nykyistä enemmän tulevaisuuden tiedonkeruussa. METSÄTEHON TULOSKALVOSARJA 5/2019 23
Lähteet Melkas, T. & Riekki, K. 2017. Puiden paikannustarkkuus hakkuukoneen tallennettuun sijaintiin ja kouran anturointiin perustuen. Metsätehon tuloskalvosarja 9/2017. Melkas, T., Riekki, K. & Sorsa, J.-A. 2018. Automaattinen toimenpidekuvion rajojen muodostus hakkuukoneen sijaintitietoon perustuen. Metsätehon tuloskalvosarja 7a/2018. Melkas, T., Salmi, M. & Hämäläinen, J. 2014 Satelliittipaikannuksen tarkkuus hakkuukoneessa. Metsätehon raportti 231. Packalén, P. & Maltamo, M. 2007. The k-msn method for the prediction of species-specific stand attributes using airborne laser scanning and aerial photographs. Remote Sensing of Environment 109(3): 328-341. Packalén, P. & Maltamo, M. 2008. Estimation of species-specific diameter distributions using airborne laser scanning and aerial photographs. Canadian Journal of Forest Research 38:1750-1760. Press, W.H., Flannery, B.P., Teukolsky, S.A. & Vetterling, W.T. 1986. Numerical Recipes The Art of Scientific Computing. Cambridge University Press, 1986. Luku 7.2. Rasinmäki, J. & Melkas, T. 2005. A method for estimating tree composition and volume using harvester data. Scandinavian Journal of Forest Research, 2005; 20: 85 95. Reynolds, M. R., Jr., Burk, T. E. & Huang, W. C. 1988. Goodness-of-fit tests and model selection procedures for diameter distribution models. Forest Science 34(2): 373-399. Saukkola, A., Melkas, T., Riekki, K., Sirparanta, S., Peuhkurinen, J., Hyyppä, J. & Vastaranta, M. 2019. Predicting Forest Inventory Attributes Using Airborne Laser Scanning, Aerial Imagery, and Harvester Data. Remote Sensing. 11. 1-15. 10.3390/rs11070797. Skogforsk. 2018. StanForD/StanForD 2010 - Standard for Forest Machine Data and Communication. Saatavissa: http://www.skogforsk.se/english/projects/stanford/ [Viitattu 17.4.2019]. Tekniset tiedot konemerkeittäin ja malleittain: www.deere.fi, www.komatsuforest.fi, www.ponsse.com (viitattu 24.4.2019) METSÄTEHON TULOSKALVOSARJA 5/2019 24
Tämä tutkimus on tehty yhteistyössä Arbonaut Oy:n ja Metsäteho Oy:n kanssa osana Metsäkonetieto puustotulkinnan apuaineistona -hanketta, jota on vetänyt Helsingin yliopisto. Tutkimus on osa maa- ja metsätalousministeriön Metsätieto ja sähköiset palvelut -hanketta, jonka tavoitteena on tehostaa metsävaratiedon hyödyntämistä, parantaa tiedon laatua ja liikkuvuutta sekä kehittää sähköisiä palveluita ja kuuluu hallituksen Puu liikkeelle ja uusia tuotteita metsästä -kärkihankkeeseen. METSÄTEHON TULOSKALVOSARJA 5/2019 25